查询操作
group by、 order by、 join 、 distribute by、
sort by、 clusrer by、 union all
底层的实现
mapreduce
常见的聚合操作
count计数
count(*) 所有值不全为NULL时,加1操作
count(1) 不管有没有值,只要有这条记录,值就加1
count(col) col列里面的值为null,值不会加1,这个列里面的值不为NULL,才加1
sum求和
sum(可转成数字的值) 返回bigint
avg求平均值
avg(可转成数字的值)返回double
distinct不同值个数
count(distinct col)
order by
按照某些字段排序 样例
select col1,other...
from table
where conditio
order by col1,col2 [asc|desc]
注意 order by后面可以有多列进行排序,默认按字典排序 order by为全局排序 order by需要reduce操作,且只有一个reduce,与配置无关。数据量很大时,慎用。
执行流程
从表中读取数据,执行where条件,以col1,col2列的值做成组合key,其他列值作为value,然后在把数据传到同一个reduce中,根据需要的排序方式进行。
group by
按照某些字段的值进行分组,有相同值放到一起。
样例
select col1 [,col2] ,count(1),sel_expr(聚合操作)from table
where condition -->Map端执行
group by col1 [,col2] -->Reduce端执行
[having] -->Reduce端执行
注意 select后面非聚合列,必须出现在group by中 select后面除了普通列就是一些聚合操作 group by后面也可以跟表达式,比如substr(col)
特性 使用了reduce操作,受限于reduce数量,设置reduce参数mapred.reduce.tasks
输出文件个数与reduce数相同,文件大小与reduce处理的数据量有关。
问题 网络负载过重 数据倾斜,优化参数hive.groupby.skewindata
为true,会启动一个优化程序,避免数据倾斜。
执行流程
从表中读取数据,执行where条件,以col1列分组,把col列的内容作为key,其他列值作为value,上传到reduce,在reduce端执行聚合操作和having过滤。
eg:
set mapred.reduce.tasks=;
select * from TabOrder order by ch asc,num desc; set mapred.reduce.tasks=;
select ch ,count() as num from TabOrder group by ch; set hive.groupby.skewindata = true;
select ch ,count() as num from TabOrder group by ch having count()>; select col from tablename group by col; <==> select distinct col from tablename;
Join表连接
两个表m,n之间按照on条件连接,m中的一条记录和n中的一条记录组成一条新记录。
join等值连接(内连接),只有某个值在m和n中同时存在时。
left outer join
左外连接,左边表中的值无论是否在b中存在时,都输出;右边表中的值,只有在左边表中存在时才输出。
right outer join
和left outer join
相反。
left semi join
类似exists
。即查找a表中的数据,是否在b表中存在,找出存在的数据。
mapjoin:在map端完成join操作,不需要用reduce,基于内存做join,属于优化操作。
select m.col as col1, m.col2 as col2, n.col3 as col3 from
(select col1,col2 from,test where ... (map端执行)
)m (左表)
[left outer |right outer | left semi] join
n (右表)
on m.col=n.col
where condition (reduced端执行) set hive.optimize.skewjoin=true;
读取数据执行where条件,按col列分组,把col列的内容作为key,其他列作为value,传到reduce,在reduce端执行连接操作和where过滤。
eg:
create table m(
ch string,
num string
)
row format delimited
fields terminated by '\t'
lines terminated by '\n'
stored as textfile;
load data local inpath '/liguodong/hivedata/m' into table m;
create table n(
ch string,
num string
)
row format delimited
fields terminated by '\t'
lines terminated by '\n'
stored as textfile;
load data local inpath '/liguodong/hivedata/n' into table n;
select * from m;
select * from n; 内连接
select s.ch,s.num,t.num from
(select ch,num from m)s
join
(select ch,num from n)t
on s.ch=t.ch; 左外连接
select s.ch,s.num,t.num from
(select ch,num from m)s
left outer join
(select ch,num from n)t
on s.ch=t.ch; 右外连接
select s.ch,s.num,t.num from
(select ch,num from m)s
right outer join
(select ch,num from n)t
on s.ch=t.ch;
数据输出对比
select s.ch,s.num from
(select ch,num from m)s
left semi join
(select ch,num from n)t
on s.ch=t.ch;
运行结果:
A 1
C 5
C 3
MapJoin
mapjoin(map side join) 在map端把小表加载到内存中,然后读取大表,和内存中的小表完成连接操作。其中使用了分布式缓存技术。
优点 不消耗集群的reduce资源(reduce相对紧缺)。 减少了reduce操作,加快程序执行。 降低网络负载。
缺点 占用部分内存,所以加载到内存中的表不能过大,因为每个计算节点都会加载一次。 生成较多的小文件。
执行流程
从大表读取数据,执行where条件。把小表加载到内存中,每读取大表中的一条数据,都要和内存中的小表数据进行比较。
第一种方式,自动方式 配置以下参数 hive**自动**根据sql,选择使用common join或者map join
set hive.auto.convert.join=true;
hive.mapjoin.smalltable.filesize默认值是25mb
第二种方式,手动指定
select /*+mapjoin(n)*/ m.col, m.col2, n.col3 from m
join n on m.col=n.col;
注意:/*+mapjoin(n)*/
不能省略,只需替换表名n值即可。
简单总结一下,map join的使用场景: 1、关联操作中有一张表非常小 2、不等值的链接操作
select c.city,p.province
from
(select province,city from city)c
join
(select province from province)p
on c.province=p.province; mapjoin手动方式
select /*+mapjoin(p)*/ c.city,p.province
from
(select province,city from city)c
join
(select province from province)p
on c.province=p.province;
比较二则的比较时间。
Hive分桶JOIN 对于每一个表(table)或者分区,Hive可以进一步组织成桶,也就是说桶是更为细粒度的数据范围划分。 Hive是针对某一列进行分桶。 Hive采用对列值哈希,然后除以桶的个数求余的方式决定该条记录存放在哪个桶当中。 好处 获得更高的查询处理效率。 使取样(sampling)更高效。
create table bucketed_user
(
id int,
name string
)
clustered by (id) sorted by (name) into buckets
row format delimited fields terminated by '\t'
stored as textfile; set hive.enforce.bucketing=true;
分桶的使用
select * from bucketed_user tablesample(bucket out of on id)
bucket join
set hive.optimize.bucketmapjoin=true;
set hive.optimize.bucketmapjoin.sortedmerge=true;
set hive.input.format=org.apache.hadoop.hive.ql.io.BucketizedHiveInputFormat;
连接两个在(包含连接列)相同列上划分了桶的表,可以使用Map端连接(Map side join)高效的实现。比如JOIN操作。 对于JOIN操作两个表有一个相同的列,如果对这两个表都进行了捅操作。那么将保存相同列值的桶进行JOIN操作就可以,可以大大减少JOIN的数据量。 对于map端连接的情况,两个表以相同方式划分桶。处理左边表内某个桶的mapper知道右边表内相匹配的行在对应的桶内。因此,mapper只需要获取那个桶(这只是右边表内存储数据的·小部分)即可进行连接。 这一优化方法并不一定要求两个表必须桶的个数相同,两个表的桶个数是倍数关系也可以。
distribute by、sort by
distribute 分散数据 distribute by col – 按照col列把数据分散到不同的reduce。
Sort排序 sort by col – 按照col列把数据排序
select col1,col2 from M
distribute by col1
sort by col1 asc,col2 desc
两者结合出现,确保每个reduce的输出都是有序的。
distribute by与group by对比
都是按key值划分数据 都使用reduce操作 **唯一不同的是**distribute by只是单纯的分散数据,而group by把相同key的数据聚集到一起,后续必须是聚合操作。
order by与sort by 对比
order by是全局排序 sort by只是确保每个reduce上面输出的数据有序。如果只有一个reduce时,和order by作用一样。
执行流程
从表中读取数据,执行where条件。 设置reduce数为3,以distribute by列的值作为key,其他列值作为value,然后把数据根据key值传到不同的reduce,然后按sort by字段进行排序。
应用场景 map输出的文件大小不均 reduce输出文件大小不均 小文件过多 文件超大
把一个大文件放到一些小文件中
set mapred.reduce.tasks=;-->下面的city将会输出到五个文件中 insert overwrite table city
selsct time,country,province,city from info
distribute by province; 把一些小文件放到一个大文件中
set mapred.reduce.tasks=;-->下面的province将会输出到一个大文件中
insert overwrite table province partition(dt='')
selsct time,country,province from city
distribute by country; 注:province是一个分区表。
cluster by
把有相同值的数据聚集到一起,并排序。 效果等价于distribute by col sort by col cluster by col <==> distribute by col sort by col
union all
多个表的数据合并成一个表,hive不支持union
select col from(
select a as col from t1
union all
select b as col from t2
)tmp
执行流程
从表中读取数据,执行where条件。合并到同一个表中。
union all必须满足如下要求 字段名字一样 字段类型一样 字段个数一样 子表不能有别名 如果需要从合并之后的表中查询数据,那么合并的表必须要有别名
select * from (
select * from m
union all
select * from n
)temp; 如果两张表的字段名不一样,要将一个表修改别名同另一个表的字段名一样。
select * from (
select col1,col2 from m
union all
select col1,col3 as col2 from n
)temp;